Kredit:Tokyo University of Science
Inom materialvetenskap utforskas kandidater för nya funktionella material vanligtvis på ett trial-and-error-sätt genom beräkningar, syntetiska metoder och materialanalys. Tillvägagångssättet är dock tidskrävande och kräver expertis. Nu har forskare från Japan använt ett datadrivet tillvägagångssätt för att automatisera processen att förutsäga nya magnetiska material. Genom att kombinera beräkningar av första principer, Bayesiansk optimering och monoatomisk alternerande deponering, kan den föreslagna metoden möjliggöra en snabbare utveckling av nästa generations elektroniska enheter.
Materialvetare är ständigt på jakt efter nya "funktionella material" med gynnsamma egenskaper riktade mot någon tillämpning. Att hitta nya funktionella magnetiska material kan till exempel öppna dörrar till energieffektiva spintroniska enheter. Under de senaste åren har utvecklingen av spintronikenheter som magnetoresistivt direktminne – en elektronisk enhet där ett enda magnetoresistivt element är integrerat som en bit information – gått snabbt framåt, för vilka magnetiska material med hög magnetokristallin anisotropi (MCA) krävs .
Ferromagnetiska material, som bibehåller sin magnetisering utan ett externt magnetfält, är därför av särskilt intresse som datalagringssystem. Till exempel L 10 -typordnade legeringar som består av två element och två perioder, såsom L 10 -FeCo och L 10 -FeNi, har studerats aktivt som lovande kandidater för nästa generations funktionella magnetiska material. Men kombinationen av beståndsdelar är extremt begränsad, och material med utökad elementtyp, antal och periodicitet har sällan utforskats.
Vad hindrar denna utforskning? Forskare pekar på kombinatoriska explosioner som lätt kan inträffa i flerskiktsfilmer, som kräver mycket tid och ansträngning vid valet av beståndsdelar och materialtillverkning, som den främsta orsaken. Dessutom är det extremt svårt att förutsäga funktionen hos MCA på grund av det komplexa samspelet mellan olika parametrar inklusive kristallstruktur, magnetiskt moment och elektroniskt tillstånd, och det konventionella protokollet bygger till stor del på trial and error. Det finns alltså mycket utrymme och behov av att utveckla en effektiv väg för att upptäcka nya högpresterande magnetiska material.
På denna front, ett team av forskare från Japan, inklusive Prof. Masato Kotsugi, Mr. Daigo Furuya och Mr. Takuya Miyashita från Tokyo University of Science (TUS), tillsammans med Dr. Yoshio Miura från National Institute for Materials Science (NIMS) ), har nu övergått till ett datadrivet tillvägagångssätt för att automatisera förutsägelse och syntes av nya magnetiska material.
I en ny studie, som gjordes tillgänglig online den 30 juni 2022 och publicerades i Science and Technology of Advanced Materials:Methods den 1 juli 2022 rapporterade teamet sin framgång i utvecklingen av materialutforskningssystem genom att integrera beräknings-, informations- och experimentvetenskaper för magnetiska material med hög MCA. Prof. Kotsugi förklarar att de "har fokuserat på artificiell intelligens och har kombinerat det med beräknings- och experimentell vetenskap för att utveckla en effektiv materialsyntesmetod. Lovande material utöver mänskliga förväntningar har upptäckts i termer av elektronisk struktur. Således kommer det att förändra naturens natur. av materialteknik!"
I sin studie, som var resultatet av gemensam forskning av TUS och NIMS och stödd av JST-CREST, beräknade teamet MCA-energi genom beräkningar av första principer (en metod som används för att beräkna elektroniska tillstånd och fysikaliska egenskaper i material baserad på lagarna för kvantmekanik) och utförde Bayesiansk optimering för att söka efter material med hög MCA-energi. Efter att ha undersökt algoritmen för Bayesiansk optimering hittade de lovande material fem gånger mer effektivt än genom den konventionella trial-and-error-metoden. Denna robusta materialsökningsmetod var mindre känslig för påverkan från oregelbundna faktorer som extremvärden och brus och gjorde det möjligt för teamet att välja ut de tre bästa kandidatmaterialen—(Fe/Cu/Fe/Cu), (Fe/Cu/Co/Cu) och (Fe/Co/Fe/Ni)—som omfattar järn (Fe), kobolt (Co), nickel (Ni) och koppar (Cu).
De tre främsta förutsagda materialen med de största MCA-energivärdena tillverkades sedan via den monoatomiska alternerande staplingsmetoden med användning av den laserdrivna pulsade deponeringstekniken för att skapa flerskiktiga magnetiska material bestående av 52 lager, nämligen [Fe/Cu/Fe/Cu]13 , [Fe/Cu/Co/Cu]13 och [Fe/Co/Fe/Ni]13 . Bland de tre strukturerna [Fe/Co/Fe/Ni]13 visade ett MCA-värde (3,74 × 10 6 erg/cc) mycket över L 10 -FeNi (1,30 × 10 6 erg/cc).
Vidare, med hjälp av andra ordningens störningsmetod, fann teamet att MCA genereras i det elektroniska tillståndet, vilket inte har realiserats i tidigare rapporterat material. Detta vittnar om lämpligheten av att använda Bayesiansk optimering för att identifiera elektroniska tillstånd som sannolikt är omöjliga att föreställa sig genom mänsklig erfarenhet och intuition enbart. Således kan den utvecklade metoden autonomt söka efter lämpliga element för att designa funktionella magnetiska material. "Denna teknik kan utökas till avancerade magnetiska material med mer komplicerade elektroniska korrelationer, såsom Heusler-legeringar och spinn-termoelektriska material", konstaterar Prof. Kotsugi. + Utforska vidare
